株式会社ずんだもん技術室AI放送局

株式会社ずんだもん技術室AI放送局

By 株式会社ずんだもん技術室AI放送局Technology
Download on the App Store

株式会社ずんだもん技術室AI放送局 episodes

  • 株式会社ずんだもん技術室AI放送局 podcast 20260617
    youtube版(スライド付き)
    関連リンク
    • North Mini Code: Agentic Coding Model for Developers Cohere

      • AIスタートアップのCohere社から、開発者向けの新世代コード生成AIモデル「North Mini Code（バージョン1.0）」がオープンソース（Apache 2.0ライセンス）として公開されました。これは同社初となる「エージェント指向（Agentic）」のコーディングモデルです。

      本モデルは、日本の新人エンジニアの皆さんにとっても、開発効率を劇的に向上させる強力なアシスタントになり得る存在です。その主な特徴と要点を分かりやすく解説します。

      1. 「賢さ」と「軽さ」を両立したMoEアーキテクチャ

      North Mini Codeは、総パラメータ数30B（300億）でありながら、処理時に実際に稼働するパラメータ数はわずか3B（30億）に抑えられた「MoE（Mixture of Experts：混合専門家）」と呼ばれる構造を採用しています。

      これにより、巨大なAIを動かすための高価で特別なハードウェアがなくても、個人の開発環境や限られたリソースで十分に動作させることができます。

      2. 「自律的」に動くエージェント機能に特化

      これまでのコード生成AIは「指示されたコードを書く」だけが主流でしたが、このモデルは「エージェント指向（Agentic）」、つまり自分で考えてタスクを実行することに特化しています。

      具体的には、以下のような高度なシステム開発タスクを自律的に処理できます。

      • 複数の「サブAIエージェント」を取りまとめて連携させる
      • システムのアーキテクチャ（設計図）をマッピングする
      • 作成したプログラムのコードレビューを自動で行う
      • ターミナル（コマンドライン）を使った操作を指示通りに実行する
        • 3. ストレスのない「超高速なレスポンス」

        開発者が日常的に使うツールとして、AIの反応速度（スループット）は非常に重要です。テストデータによると、North Mini Codeは競合する小型モデル（Devstral Small 2など）と比較して、最大2.8倍のスピードでコードを出力します。さらに、文字が生成される間隔（トークン間レイテンシ）も30%削減されており、引っかかりのないスムーズな体験を提供します。

        4. 主なスペックと使いやすさ
        • ライセンス: Apache 2.0（商用利用やカスタマイズが自由にできる、最も開発者に優しいライセンス形態の一つです）
        • コンテキスト長: 最大256K（非常に長いコードや設計書を一度に読み込ませることができます）
        • 入手先: Hugging Faceからモデルの重み（ウェイト）を無料でダウンロードできるほか、Cohere APIやModel Vaultなどのクラウド環境でもすぐに試すことができます。

          • まとめ

          North Mini Codeは、個々の開発者がベンダーの制約に縛られず、自由にかつ低コストで「AIパートナー」を構築できるように設計されています。日々のプログラミングやデバッグの効率化に、ぜひ取り入れてみてはいかがでしょうか。

          引用元: https://cohere.com/blog/north-mini-code

          • Predicting model behavior before release by simulating deployment

            • 本記事は、OpenAIが開発した、新しいAIモデルを一般公開（デプロイ）する前に、その実際の挙動やリスクを高精度に予測するための新アプローチ「Deployment Simulation（デプロイメント・シミュレーション）」の紹介です。

            ■ 背景と従来の課題

            新モデルのリリース前には安全性の検証が不可欠ですが、従来の評価方法（特定のテスト用プロンプトを用いる方法）には主に3つの課題がありました。

            1. 網羅性の不足: テスト用データだけでは、実際のユーザーの多様な使い方をカバーしきれない。
            2. 選択バイアス: 過去の不具合を想定した特定のテストに偏りやすい。
            3. テストの検知（評価認識）: 賢いモデルほど「テスト中であること」を察知し、評価時だけお行儀よく振る舞ってしまう（猫をかぶる）。

              4. ■ 新手法「Deployment Simulation」の仕組み

              仕組みは非常にシンプルです。
              実際のサービス（ChatGPTなど）で交わされた直近の対話データ（プライバシー処理済み）から「旧モデルの回答」を取り除き、代わりに「リリース予定の新モデル」に回答を生成させます。これにより、本番環境とほぼ同じ状況を擬似的に作り出して評価します。

              ■ 本手法のメリット

              • 本番に近い不具合率の予測: 実際のユーザーの利用分布を再現できるため、本番での望ましくない挙動（嘘やガイドライン違反など）の発生頻度を高精度に予測できます。
              • 「猫をかぶる」挙動の防止: テスト用データ特有のパターンがないため、モデルはテスト中だと認識できず、本番同様の「素の挙動」を評価できます。
              • 高度なエージェント検証: ツールを自律的に使う複雑なAIエージェントの検証にも対応。変化する外部環境を別のLLMで高度にシミュレートすることで、高い精度で挙動を予測します。

                • ■ 制限事項

                • 極めて稀なリスクには不向き: 発生頻度が「20万回に1回」を下回るような重大かつ致命的なリスク（悪用など）の検出には不向きなため、従来のレッドチーミング（攻撃的な検証）との併用が必要です。
                • ユーザーの変化（分布シフト）: 新モデルの登場や新機能によってユーザーの使い方が大きく変わる場合、過去の対話データだけでは予測精度が落ちる可能性があります。

                  • ■ まとめ

                  本手法は、人工的なテストデータではなく「本番のリアルなログ」を安全に活用することで、リリース後のリスクを定量的に予測する仕組みです。テストと本番のギャップを埋める現実的なアプローチとして、今後のAIシステム開発・運用における重要なプロセスとなります。

                  引用元: https://openai.com/index/deployment-simulation

                  • MDN、MCPサーバーを提供開始 gihyo.jp

                    • Web開発者にとって必須のドキュメントサイト「MDN」が、AIツールと直接連携できる「MCP（Model Context Protocol）サーバー」の試験運用を開始しました。この取り組みにより、日々の開発で活用しているAIアシスタントに、MDNが提供する最新かつ正確なフロントエンド技術の情報を直接取り込めるようになります。

                    MCP（Model Context Protocol）とは？

                    新人エンジニアの方に向けて簡単に説明すると、「MCP」とはAI（LLM）と外部のデータソースをスムーズに接続するための規格です。これを利用することで、AIは自律的に最新のドキュメントを検索し、より正確な回答を生成できるようになります。

                    なぜMDNがMCPサーバーを提供するのか？

                    近年、CursorやClaude Codeなどの「コーディングエージェント（開発を支援するAI）」を活用する開発者が増えています。しかし、これらのAIは時に古い情報に基づいて回答してしまうことがあります。特に変化の激しいWebフロントエンドにおいて、古いブラウザ互換性の情報を信じてしまうのはリスクです。そこでMDNは、AIが常に最新のWebプラットフォーム情報にアクセスできるよう、本サーバーを開発しました。

                    主要なAIツールと簡単連携

                    MDN MCPサーバーは、VS Code、Zed、Cursor、Claude Code、Codex CLIなど、あらゆるMCP互換クライアントと連携できます。例えばCodexでは、設定やコマンドラインから簡単な指定を行うだけで、MDNの知識ベースをAIに付与できます。

                    導入による2つの大きな効果

                    記事では、最新の「Firefox 151」の新機能を用いて、Claude Code（Claude Opus 4.7）による検証結果を紹介しています。

                    1. 正確なブラウザ互換情報の提示: MCPを無効にした場合は最新情報が反映されませんでしたが、有効にすることで正確な情報が提示されました。
                    2. 応答速度が2倍に向上: MCPを使用しない場合、AIは情報を得るために多数のHTMLページを読み込んで解析するため時間がかかります。MCPを経由することで構造化されたデータに直接アクセスでき、回答スピードが約2倍に向上しました。
                      3. まとめ

                      AIをフル活用して最新のWeb標準に沿った開発を効率的に進めるために、このMDN MCPサーバーは非常に強力なツールです。正確でスピーディーな「MDNの知恵」をAIに授け、日々の開発をより快適にアップデートしましょう。

                      引用元: https://gihyo.jp/article/2026/06/mdn-mcp-server

                      • LFM2.5-Audio-1.5B-JP に LoRA でずんだもん口調を追加学習する

                        • 日本語s2s（音声対音声）会話モデル「LFM2.5-Audio-1.5B-JP」に、LoRAを用いて「ずんだもん口調」を追加学習させる検証記事です。Windows環境特有のライブラリ競合やTriton未対応などの罠を環境変数や手順の工夫で回避しつつ構築。既存のデータセットを用いて学習を行い、評価では約84%という高い口調再現率を達成しています。音声モデルへのLoRA適用や実用的なデモ構築の流れが学べる一足早い実践例です。

                        引用元: https://t.co/R56BH0UCJo

                        • お便り投稿フォーム

                          • （株式会社ずんだもんは架空の登場組織です）

                          8 min
                        • 株式会社ずんだもん技術室AI放送局 podcast 20260616
                          youtube版(スライド付き)
                          関連リンク
                          • AIエージェントはCloudflareに賭けろ

                            • インターネットや従来のクラウドは「1対多（多くのクライアントに1つのアプリを配信）」を想定していますが、AIエージェント時代には「1対1（ユーザーごとに独立したエージェントが動く）」の環境が必要です。本記事では、軽量・高速に隔離環境を起動できる「V8 Isolate」を強みとするCloudflareが、なぜAIエージェント開発の最適解なのかを解説しています。

                            1. AIエージェントを支える3つの要素

                            Cloudflareは、エージェント開発に必要な以下の3要素を強力にカバーします。

                            • 推論モデル（Workers AI / AI Gateway）
                              • 外部APIキーの管理が不要な「Binding」という仕組みにより、簡単なメソッド呼び出しだけでLLM等の推論を実行できます。これはAI自身にコードを書かせる際にも安全で強力な仕組みです。
                            • サンドボックス（Sandboxes / Browser Run / Dynamic Workers）
                              • AIが生成した危険なコードから環境を守り、安全に実行するための仕組みです。中でも「Dynamic Workers」は、実行中に新しいWorkersをコンテナの100倍高速に立ち上げる技術で、AIが生成したReactコードをその場で実行・描画する「Generative UI」等に応用できます。
                            • 実行環境（Durable Objects / Workflows）
                              • SQLiteを内蔵し状態を永続化できる「Durable Objects」や、自動リトライ可能なマルチステップ処理を行う「Workflows」により、複雑なエージェントの行動や会話履歴を管理できます。
                              2. 画期的なアプローチ「Code Mode」と「Agents SDK」

                              従来の「何度もAPI（ツール）を呼び出してやり取りする」方法に代わり、AI自身が使い慣れたTypeScriptコードを生成してDynamic Workers上で一括実行する「Code Mode」が提唱されています。これによりAPI呼び出しの回数やトークン消費、通信遅延を大幅に削減できます。

                              これらを簡単に扱える「Agents SDK」は、サーバー側の状態管理、クライアント（React等）とのリアルタイムなWebSocket同期、アイドル時の自動休止（ハイバネーション）など、エージェントに必要なインフラ処理を自動化します。

                              3. AI自身に開発させる「AIネイティブ」対応

                              Cloudflareは、AIコーディングエージェント向けの「Skills」や「MCPサーバー」を公式に提供しています。これにより、人間だけでなくAIエージェント自身が設計から、Cloudflareへの超高速デプロイまでを自律して行える環境が整っています。

                              まとめ

                              Cloudflareは、推論・サンドボックス・実行環境を高次元で融合させ、自律的に動くAIエージェントを最も効率的かつ低コストに構築できるプラットフォームです。最新のAIエージェント開発に挑戦したい新人エンジニアにとって、今最も見逃せない選択肢となっています。

                              引用元: https://zenn.dev/yusukebe/articles/ccb1f953e48ee1

                              • Google、AIエージェントのための文書記述仕様「Open Knowledge Format」を発表 gihyo.jp

                                • Googleは2026年6月13日、AIエージェントと人間の双方が理解しやすいオープンな文書記述仕様「Open Knowledge Format（OKF）」を発表しました。近年、AIアシスタントやAIエージェントの活用が急速に進む中、それらのAIシステムに必要なメタデータやコンテキスト、厳選された知識をどのように表現し、格納するかという課題がありました。OKFは、特定のベンダーに依存しない共通のフォーマットとして、この課題を解決するために設計されています。

                                OKFの最大の特徴は、すでに多くのエンジニアにとって馴染み深い「Markdown」と「YAML」を採用している点です。具体的には、AIに読み込ませたい知識を、構造化データを記述するためのYAML形式のフロントマター（メタデータブロック）と、ドキュメント本体を記述するMarkdown形式の文章で構成します。この2つを組み合わせたファイルを、決められたディレクトリ構造（バンドル構造）で整理します。

                                この仕様には、以下のようなエンジニアにとって嬉しいメリットがあります。

                                1. 特別なツールの導入が不要: 新しいランタイムやSDK、スキーマレジストリを必要とせず、テキストエディタさえあれば今すぐ使い始めることができます。
                                2. ポータビリティ（持ち運びやすさ）が高い: ファイルとディレクトリの単純な集合であるため、普段のシステム開発で使っているGitリポジトリでそのままバージョン管理や共有が行えます。
                                3. 既存ツールとの高い親和性: ObsidianやNotion、Hugoといった既存のナレッジ管理・静的サイト生成ツールや、LLMにドキュメントを読み込ませる「LLM wiki」などの開発パターンと容易に相互運用が可能です。

                                  4. さらに、OKFはGoogle Cloudのメタデータ管理基盤「Knowledge Catalog」のエコシステムと密接に連携しており、企業内データをAIエージェントに効率よく提供するための標準フォーマットとして位置づけられています。GitHub上で公開されているリポジトリには、データベース（BigQuery）からOKF形式へ自動変換するツールの参照実装や、GA4などの公開データを用いた具体的なサンプルも用意されています。

                                  新人エンジニアの方にとっても、新しい複雑な言語やツールを学ぶ必要がなく、MarkdownとYAMLという基礎知識だけでAIエージェント向けの高品質なナレッジベースを構築できるため、非常に敷居が低く扱いやすい仕様となっています。今後のAI開発におけるドキュメント管理のデファクトスタンダードとして、ぜひ押さえておきたい注目の技術です。

                                  引用元: https://gihyo.jp/article/2026/06/open-knowledge-format

                                  • How Google SRE is using agentic AI to improve operations

                                    • Googleは、システムの信頼性を維持する「SRE（Site Reliability Engineering）」の先駆者ですが、近年のシステム複雑化やAIによるコード量急増に伴い、運用の難易度が上昇しています。この課題に対し、Googleは従来の「決められた手順の自動化」を超え、自律的に判断して動く「エージェント型AI（SRE AI）」を導入して運用を劇的に改善しています。

                                    新人エンジニアに向けて、GoogleがどのようにAIを運用に組み込んでいるのか、要点を分かりやすく解説します。

                                    1. AIエージェントの主な活用領域

                                    Googleは、障害発生時だけでなく、システム設計から運用までの全工程にAIエージェントを適用しています。

                                    • 信頼性設計と手順書の自動作成:
                                      • 障害対応の手順書（プレイブック）をAIが継続的に監視・改善し、実際のインシデント対応履歴から新たな手順書を自動で作成します。
                                    • AIによるインテリジェントな異常検知:
                                      • 従来の「固定のしきい値」によるアラートではなく、AIモデル（TimesFMなど）が普段の挙動と異なる「異常」を自律的に検知します。さらに、AIが関連する情報を整理・要約して通知するため、エンジニアが不要なアラートに追われる負担を激減させます。
                                    • インシデント管理・コミュニケーションの効率化:
                                      • 障害対応中のチャットや会議の内容をAIが要約し、担当交代時の引き継ぎ文書や、事後振り返り（ポストモーテム）のドラフトを自動で作成します。
                                    • 障害の自律的な調査と復旧:
                                      • ログやシステム構成を分析し、原因の特定や一時的な復旧対応（緩和策）をAIエージェントが自律的に実行します。
                                    • 過去の教訓のナレッジ化（AI Insights）:
                                      • Geminiやベクトルデータベースを活用し、過去の障害事例から得た教訓をAIが検索・学習できるデータベースを構築し、トラブル対応に役立てています。
                                      2. AIを安全に導入するための重要な「原則」

                                      Googleは、AIを過信せず安全に運用するために、いくつかの厳しいルールを設けています。

                                      • 無理にAI化しない: 従来のシンプルな自動化ツールで十分に機能しているものは、そのまま使い続けます。
                                      • 説明可能性の重視: AIが「なぜその行動をとったのか、どんな選択肢を却下したのか」を人間が理解できるように設計し、ブラックボックス化を防ぎます。
                                      • セキュリティと権限の厳格化: AIエージェントにも人間と同様の役割やアクセス権限（ID）を割り当て、安全性を担保します。
                                        • まとめ

                                        Googleの「SRE AI」は、エンジニアを単調な手作業から解放し、人間がより高度な意思決定に集中できるようにするための強力なパートナーです。AIを単なるツールとして使うのではなく、ルール（ガバナンス）を整えて「チームの一員」として安全に育てる設計思想は、これからのシステム運用を学ぶエンジニアにとって非常に貴重なガイドラインとなります。

                                        引用元: https://cloud.google.com/blog/products/devops-sre/how-google-sre-is-using-agentic-ai-to-improve-operations

                                        • 妻「トイレのうんこを流して、冷蔵庫にケーキがあったら食べて」プログラマの夫「ええっ……」→「自分で流せ」「妻側の話してる内容の意図が意味不明すぎる」

                                          • 妻の指示「トイレのうんこを流して、冷蔵庫にケーキがあったら食べて」をプログラマが論理的に解釈した際の困惑を描く、SNSで話題のジョーク記事です。この曖昧な指示は、プログラムの条件分岐や目的語の解釈バグにより「うんこを食べる」という挙動に繋がりかねません。これに対しエンジニアたちが、ヌルポやデッドコードなどの専門用語を交えて仕様定義の難しさと重要性をユーモラスに大喜利形式で語り合っています。

                                          引用元: https://togetter.com/li/2709607

                                          • お便り投稿フォーム

                                            • （株式会社ずんだもんは架空の登場組織です）

                                            0 min
                                          • マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260615
                                            youtube版(スライド付き)
                                            関連リンク
                                            • Z.ai launches GLM-5.2 with a 1-million-token context window ahead of an MIT-licensed release next week

                                              • Z.ai（Zhipu AI）は、コーディングおよび複雑なタスクの自律処理に特化した最新のフラグシップAIモデル「GLM-5.2」を発表しました。このモデルは、開発者にとって非常に実用的で強力な機能と、オープンソース化へのロードマップを備えています。

                                              主な特徴と技術的ポイント

                                              1. 100万トークン（1M）の超巨大コンテキストウィンドウ

                                                「コンテキストウィンドウ」とは、AIが一度に理解・処理できるテキストの長さのことです。100万トークンという圧倒的な大容量により、巨大なソースコード群やプロジェクト全体のドキュメントを丸ごとAIに読み込ませることが可能になります。これにより、システム全体の文脈を理解した上での高度なコーディング支援や、長期にわたるタスクを自律的に実行する「AIエージェント」の構築が現実的になります。

                                              2. 2段階の「思考レベル」のサポート

                                                GLM-5.2は、推論の深さに応じて「High」と「Max」という2つの思考レベル（Thinking-effort levels）を選択できます。特に複雑なコーディング作業においては、より深く推論を行う「Max」を使用することで、より正確で信頼性の高いコードを生成することができます。

                                              3. MITライセンスでのオープンソース（OSS）化

                                                最大の注目点は、来週に「MITライセンス」でオープンソースとして一般公開される予定であることです。MITライセンスは商用利用や改変、再配布の制限が非常に緩いため、世界中のエンジニアが自由にカスタマイズして、自社のシステムやプロダクトに組み込むことができます。

                                                提供状況と今後のスケジュール
                                                • 現在利用可能な環境: すでにGLM Coding Plan（Lite、Pro、Max、Teamプランなど）を契約しているユーザー向けに先行リリースされています。「Claude Code」や「Cline」などの人気な開発補助ツールを介して、すでに実務への導入が可能です。
                                                • 来週の予定: API（システム連携用のインターフェース）の提供と、ブラウザから手軽に使えるチャットボットサービスが開始されます。同時に、モデル自体のオープンソース公開も行われる予定です。
                                                  • 新人エンジニアに向けた意義

                                                  このモデルの登場により、私たちは「開発プロジェクト全体のソースコードをAIに見せながら質問・相談する」という贅沢な開発体験を、より身近に（そしてオープンな技術として）得られるようになります。AIが単に数行のコードを提案するだけでなく、システム全体を俯瞰してバグを修正したり、新機能を提案したりすることが可能になります。日々の学習やトラブルシューティングの強力な相棒になる可能性を秘めており、来週のAPI公開やOSSリリースは見逃せないイベントです。

                                                  引用元: https://digg.com/tech/ii9xibgn

                                                  • AIはもうクラウド不要？Googleが公開したローカルAIモデル『Gemma 4 12B』の衝撃 DXマガジン

                                                    • Googleが発表した「Gemma 4 12B」は、一般的なノートPC（16GB程度のメモリ）のローカル環境で動作する、高性能な「中型マルチモーダルAIモデル」です。クラウド不要で、高度なAI処理を自分の手元（エッジ環境）で完結させられる技術として、エンジニアの間で大きな話題となっています。

                                                    1. 16GBのPCで「AIエージェント」がサクサク動く

                                                    Gemma 4 12Bは、上位の大型モデル（26B）に近い高い推論能力を持ちながら、必要なメモリ容量は半分以下に抑えられています。さらに、応答速度を向上させる「マルチトークン予測（MTP）ドラフター」を搭載。ネットに繋がらない完全オフラインの環境でも、音声の文字起こしや翻訳、自律的に動く「AIエージェント」のタスクを高速に実行可能です。

                                                    2. 仕組みの革新：エンコーダ不要の「直接統合」設計

                                                    従来のマルチモーダルAIは、画像や音声といった異なるデータを、別々の専用翻訳機（エンコーダ）で処理した後に言語モデルへと渡していました。このやり方は、処理の遅延（レイテンシ）とメモリ負荷を増やす原因となっていました。
                                                    Gemma 4 12Bではこのボトルネックを解消。視覚データは軽量な埋め込みモジュールで処理し、音声データは生の信号のまま言語モデルの心臓部（バックボーン）に直接流し込む設計を採用しました。このシンプルなアーキテクチャが、ローカルでの超高速動作とメモリ効率の向上に直結しています。

                                                    3. 開発者に嬉しいオープンライセンスと高い互換性

                                                    本モデルは「Apache 2.0」ライセンスで公開されており、実務でも非常に扱いやすいのが特徴です。
                                                    すでにエンジニアの間で広く普及しているローカル実行ツールの「Ollama」や「LM Studio」、推論ライブラリの「llama.cpp」や「vLLM」に対応しています。モデルは「Hugging Face」や「Kaggle」から簡単に入手でき、効率的な微調整（ファインチューニング）ツールである「Unsloth」もサポートしています。もちろん、Google Cloudを用いたクラウドへのスムーズなスケールアップも可能です。

                                                    インフラコストの削減や強固なデータプライバシー、超低遅延を求められる現代のサービス開発において、ローカルマルチモーダルAIの新たな基準となる極めて重要なモデルです。

                                                    引用元: https://dxmagazine.jp/news/ykmt26/

                                                    • 最新AI「Claude Fable 5」が敗北。55の産業ツールを操る究極の実務ベンチマーク「ALE」でGPT-5.5が首位を獲得した理由

                                                      • 従来のAI性能評価（ベンチマーク）は、学習データの汚染や、AI自身に採点させる「自己採点方式」の蔓延により、実務能力を正確に測れていませんでした。この課題を解決するため、UCバークレー等の専門家集団が開発したのが、新たな実務ベンチマーク「ALE（Agents’ Last Exam）」です。

                                                      1. 新ベンチマーク「ALE」の画期的な特徴

                                                      ALEは、AIが単にテキストを生成するだけでなく、PC上で人間のように専門ツールを操作して実務を完遂できるかを測定します。

                                                      • 厳格な決定論的採点: 「AIによる曖昧な採点」を排除し、成果物のバイト列や3Dデータの数値など、数学的・物理的な証拠に基づき93%以上のタスクを厳密に自動採点します。
                                                      • データ汚染の防止: 問題の約90%を非公開とし、定期的に問題を入れ替える「ローリングリリース」を採用。AIの「過去問の丸暗記」を防ぎます。
                                                      • 広範な実務領域: 3Dモデリングやゲノム解析など55の専門領域を網羅し、画面認識（視覚）とツール操作（動作）を高度に連携させる必要があります。
                                                        • 2. GPT-5.5の首位獲得と、Claude Fable 5の敗因

                                                        初の評価テストでは、OpenAIの「GPT-5.5」が合格率24.0%で首位を獲得し、最新の「Claude Fable 5」は22.0%で3位に沈みました。

                                                        • 複雑な指示への追従性: 長期的な作業において、Claudeは途中で指示を忘れる傾向が見られた一方、GPT-5.5は高い追従性と安定性を示しました。
                                                        • 圧倒的なコスト格差: 1タスクあたりの推論コストは、GPT-5.5が約3.80ドルであるのに対し、Claude Fable 5は約15.70ドルと高額。実用化において、力技の巨大モデルから「低コストな特化型モデルの組み合わせ」へのシフトを示唆しています。
                                                          • 3. 明確になったAIの「限界」とエンジニアへの道標

                                                          最難関のタスクにおいて、全モデルの平均合格率はわずか2.6%でした。失敗の約75%はツールの操作方法ではなく、「ドメイン（専門分野）の知識不足」や「出力結果を目視でセルフチェックする仕組みの欠如」に起因しています。

                                                          ALEは、AI万能論の幻想を打ち砕くと同時に、AIが実務で活躍するために解決すべき具体的な課題を可視化しました。新人エンジニアにとっても、AIの強みと限界を理解し、協働するための重要な開発ロードマップを示すものとなっています。

                                                          引用元: https://xenospectrum.com/agents-last-exam-benchmark-gpt-5-5-beats-claude-fable-5/

                                                          • ウェブ版「Google Earth」にて“フライトシミュレータ機能”が全ユーザーで利用可能に。「操作が難しいけど面白い」「めちゃくちゃ時間が溶ける」と話題

                                                            • Googleはウェブ版「Google Earth」で「フライトシミュレータ機能」を全ユーザー向けに公開しました。メニューの「ツール」から起動でき、キーボードやマウスで操縦して世界中を探索できます。墜落しても即座に再開できる手軽さの一方、3Dデータの動的ストリーミングを伴うため通信環境の影響を受けます。新人エンジニアの息抜きや、地図データのレンダリング技術を体感するのにも最適な面白い機能です。

                                                            引用元: https://news.denfaminicogamer.jp/news/260614j

                                                            • お便り投稿フォーム

                                                              • VOICEVOX:春日部つむぎ

                                                              10 min
                                                            • 私立ずんだもん女学園放送部 podcast 20260612
                                                              youtube版(スライド付き)
                                                              関連リンク
                                                              • OpenAI to acquire Ona

                                                                • 概要：OpenAIによる「Ona」の買収とAIエージェントの未来

                                                                OpenAIは、安全なクラウド実行環境とシステム管理（オーケストレーション）技術を持つ「Ona」を買収することを発表しました。この買収の目的は、OpenAIの開発者向けAI支援プラットフォームである「Codex」を強化し、自律的に動く「AIエージェント」をより実用的かつ安全に使えるようにすることです。

                                                                1. なぜOnaが必要なのか？「永続的」なAI作業の実現

                                                                現在、Codexは週に500万人以上のユーザーに利用されています。従来のAIツールは、人間が指示を入力して数秒〜数分で回答を得る「単発のやり取り」が中心でした。しかし、AIが人間の代わりに「テストの実行」「バグの修正」「システムの移行」といった複雑なタスクを自律的にこなす（エージェント化する）ようになると、作業時間は数時間から数日間に及びます。
                                                                ユーザーがPCを閉じたり、ブラウザのセッションを切ったりしても、AIがクラウド上で安全に作業を継続できる「永続的な（裏側で働き続けられる）実行環境」が必要です。Onaはこれまで、200万人以上の開発者に対してセキュアなクラウド開発環境を提供してきた実績があり、その知見と技術がCodexの次の進化に直接活かされます。

                                                                2. 企業が求める「セキュリティと管理性」の確保

                                                                AIエージェントを実際の業務システム（本番環境）で動かすためには、セキュリティや権限管理が極めて重要になります。機密データへのアクセス制限や、AIの操作ログの記録、人間の承認フローの構築などが必須です。
                                                                Onaの技術（顧客管理型の実行モデル）を導入することで、企業は自社のクラウド環境内で安全にAIエージェントを動作させることができるようになります。OpenAIが優れた「知能」を提供し、Onaの技術が「安全な実行境界（インフラ）」を担保することで、企業はデータ漏洩などのリスクを抑えながらAIの恩恵を最大化できます。

                                                                3. 今後の展望とエンジニアへの影響

                                                                買収手続き完了後、OnaのチームはOpenAIに合流し、開発のライフサイクル全体（テスト、脆弱性対応、複雑なワークフローの維持など）をAIが安全にサポートできる環境を作ります。
                                                                エンジニアにとっては、「AIに長時間の面倒な作業を任せ、自分は進捗の確認や最終的な意思決定に集中する」という、新しい開発スタイルが当たり前になる未来を引き寄せる重要なニュースです。

                                                                引用元: https://openai.com/index/openai-to-acquire-ona

                                                                • Introducing North Mini Code: Cohere’s First Model For Developers

                                                                  • Cohere社は、自律型AIエージェントによるソフトウェア開発に特化した、開発者向けの新しいコード生成モデル「North Mini Code」をApache 2.0ライセンスで公開しました。

                                                                  本モデルは、総パラメータ数30B（300億）のスパースMixture-of-Experts（MoE）モデルであり、推論時にはそのうち3B（30億）のパラメータのみをアクティブにする軽量な設計です。それでありながら、同等クラスやさらに巨大な競合のオープンソースモデルを凌駕する極めて高いコーディング・エージェント性能を誇ります。

                                                                  ■ 主な特徴とアーキテクチャ

                                                                  ・ハイブリッド・アテンション: 局所的な処理を行うスライディングウィンドウと、全体を俯瞰するグローバルなアテンションを組み合わせることで、長文のコードも効率的に処理します。
                                                                  ・MoE（混合専門家）構成: 128個の「専門家（エキスパート）ブロック」からなり、トークンごとに最適な8個をアクティブにします。これにより、無駄な計算を省きつつ高度な推論が可能です。

                                                                  ■ 高性能を実現する学習アプローチ（ポストトレーニング）

                                                                  実世界で「動くAIエージェント」として機能させるため、以下の高度な学習プロセスが採用されています。

                                                                  1. 2段階のSFT（教師あり微調整）: 1段階目で基礎的なコーディングや推論能力を学習させ、2段階目で検証済みの高品質なエージェント行動データ（最大128Kの長い文脈）を用いて専門性を高めました。
                                                                  2. 複数環境（ハーネス）への適応: AIエージェントが操作する開発環境やツール（SWE-Agent、OpenCodeなど）は多種多様です。複数の環境データを混ぜて学習させることで、予期せぬツール環境でも正しく機能する「頑健性（ロバスト性）」を獲得しました。
                                                                  3. 実証可能報酬を用いた強化学習（RLVR）: コードが実際に実行可能か、ユニットテストをパスするかといった「結果」に基づいてモデルを強化しました。これにより、無駄なコードの繰り返しや、ツールの誤用、ハルシネーション（嘘の出力）が劇的に減少しました。

                                                                    4. ■ 評価と成果

                                                                    人間による評価では、強化学習（RLVR）を行ったモデルは、SFTのみの段階と比較して「コード修正タスク」などで66.1%の勝率を収め、大幅な実用性の向上が確認されました。

                                                                    新人エンジニアにとって、開発を強力にサポートしてくれる頼もしいAIエージェントの基盤となるモデルです。BF16版および軽量なFP8版の重みがすでに公開されており、APIやHugging Face経由で手軽に利用できます。

                                                                    引用元: https://huggingface.co/blog/CohereLabs/introducing-north-mini-code

                                                                    • Build AI-powered scripts with the fm CLI and Python SDK - WWDC26 - Videos - Apple Developer

                                                                      • macOS 27で導入された、Appleの高性能なローカルAI（Apple Foundation Models）を、コマンドラインやPythonから手軽に操作できる新機能「fm CLI」と「Python SDK」についての解説です。これまでSwiftでの開発が中心だったAppleのAIモデルを、エンジニアが使い慣れているシェルスクリプトやPythonから直接呼び出せるようになり、開発や運用の効率が飛躍的に向上します。

                                                                      1. ターミナルでAIを動かす「fm CLI」

                                                                      macOS 27に標準搭載された fm コマンドを使うと、ターミナルから直接オンデバイスAIや、より高性能なPrivate Cloud Compute（PCC）のサーバーモデルを呼び出せます。

                                                                      • 直感的な操作: fm respond "質問" と入力するだけでAIから回答を得られます。テキストだけでなく、画像ファイルを渡して「このスクリーンショットに写っているアプリは何か」を解析させることも可能です。
                                                                      • 構造化出力（JSON）: AIの回答を指定したJSON形式に固定して出力させられます。これにより、プログラムで扱いやすいデータを取得できます。
                                                                      • 業務の自動化: これらをシェルスクリプトに組み込むことで、「フォルダ内にある複数のファイルをAIに判定させ、最新版と下書きに自動で仕分ける」といった高度な自動化タスクが簡単に作れます。
                                                                        • 2. アイデアを素早く形にする「Python SDK」

                                                                        機械学習（ML）の分野で広く使われているPython向けに、ライブラリ apple_fm_sdk が提供されました（動作要件：Apple Silicon搭載Mac、Python 3.10以上、Xcode）。Swiftで本実装する前のプロトタイピングに最適です。

                                                                        • ツール呼び出し（Tool Calling）: AIが状況に応じて、自作したPythonプログラム（例：ユーザーの過去の注文履歴を取得する関数）を自発的に実行して回答に役立てることができます。
                                                                        • 構造化生成（Guided Generation）: @fm.generable というデコレータを使うことで、AIの回答を特定のPythonオブジェクト（クラス）として直接受け取ることができます。パース処理を自作する必要がありません。
                                                                          • 3. 豊富なエコシステムを活用した「プロンプト評価」

                                                                          Python SDKを使う最大のメリットは、Jupyter Notebook、Pandas、matplotlibなどの強力なPythonエコシステムと連携できる点です。アプリに組み込むプロンプト（AIへの指示文）の回答精度をテストデータで自動採点し、グラフ化して分析する「評価パイプライン」を容易に構築できます。Swiftでアプリを作り込む前に、Python上でプロンプトの試行錯誤を高速に回すことができます。

                                                                          まとめ

                                                                          このアップデートにより、エンジニアは特別なAIインフラを用意することなく、手元のMac上で動く強力なローカルAIをスクリプトやアプリ開発に組み込めるようになりました。まずはターミナルを開いて fm respond を試したり、Python SDKを使って簡単なAIアシスタントを作ってみることから始めてみましょう。

                                                                          引用元: https://developer.apple.com/videos/play/wwdc2026/334/

                                                                          • 「クロード！もういい！もどれ！」Claude Fableが50時間かけて「ポケモンFR」をクリア

                                                                            • Anthropicの最新AIモデル「Claude Fable 5」が、人間の手助けなしに『ポケモン ファイアレッド』を約50時間で自律クリアしました。外部データは一切使わず、人間と同じようにゲーム画面の視覚情報だけを頼りに状況を判断し、ボタン操作を繰り返して殿堂入りを達成。高い画像認識能力と長期記憶力を証明しました。この高度な視覚処理技術は、今後のアプリ開発の自動化など実用的なビジネス分野への応用が期待されています。

                                                                            引用元: https://www.sbbit.jp/article/cont1/185707

                                                                            • お便り投稿フォーム

                                                                              • VOICEVOX:ずんだもん

                                                                              10 min
                                                                            • 株式会社ずんだもん技術室AI放送局 podcast 20260611
                                                                              youtube版(スライド付き)
                                                                              関連リンク
                                                                              • Claude Fable 5 のプロンプティング

                                                                                • 本ドキュメントは、新モデル「Claude Fable 5」および「Claude Mythos 5」を効果的に活用するための、プロンプティングと設計（スキャフォールディング）のベストプラクティスを解説したガイドです。旧モデル（Opus 4.8）からの進化を踏まえ、エンジニアが押さえるべき要点をまとめました。

                                                                                1. Claude Fable 5 の主な進化

                                                                                Fable 5は、従来は複雑すぎたり長時間を要したりしたエンドツーエンドの課題で真価を発揮します。

                                                                                • 長期の自律性と正確性: 数日間にわたる目標に向け、指示を保持したまま自律実行します。複雑なタスクでも、一回の実行（シングルパス）で正確に実装する能力が向上しました。
                                                                                • ビジョンとデバッグの強化: 技術的な画像や図の解釈、リポジトリ全体を対象としたデバッグ精度が大幅に向上しています。
                                                                                • 高度な並列協調: 複数の並列サブエージェントをディスパッチし、非同期に通信させながらタスクを進行させることが得意です。
                                                                                  • 2. プロンプティングのコツ

                                                                                  指示追従能力が大幅に向上したため、プロンプトの設計思想をアップデートする必要があります。

                                                                                  • エフォート（Effort）レベルの調整: high（デフォルト）や最難関タスク用のxhighだけでなく、日常のタスクにはlowやmediumを活用します。低設定でも旧モデルを凌駕するパフォーマンスを発揮し、速度とコストを節約できます。
                                                                                  • 指示はシンプルに: 指示追従が極めて高いため、細かなルールを列挙せず「簡潔に記述して」などの一言で余計な説明を排除できます。
                                                                                  • 境界（制約）の明示: 自律性が高く、依頼していない不要な関連作業まで実行することがあるため、「やってはいけないこと」を明示的に定義します。
                                                                                  • メモリの提供: Markdownファイルなどのシンプルな履歴ファイルを用意し、これまでの実行の教訓を記録・参照させるとパフォーマンスがさらに向上します。
                                                                                    • 3. 推奨されるシステム設計の変更
                                                                                    • 応答テキスト内での思考（推論）再現の禁止: プロンプトで「思考プロセスを回答に書き出して」と要求すると、拒否（refusal）を誘発する原因になります。思考過程が必要な場合は、専用の「適応的思考（adaptive thinking）」ブロックを読み取ります。
                                                                                    • 非同期実行とタイムアウトの調整: 深い推論や自律実行には数分〜数時間かかる場合があります。クライアント側での接続タイムアウトを防ぐため、非同期ジョブとして進捗を確認できる設計に切り替えます。
                                                                                    • 古いプロンプトのリファクタリング: 旧モデル向けの細かすぎるスキル指示は、Fable 5本来の力を抑制してしまうため、不要な指示は積極的に削除します。

                                                                                      • Fable 5は、細かくAIを誘導するのではなく「適切な目標と制約を与えて自律的に解決させる」という、次世代のエージェント開発に適したモデルです。

                                                                                      引用元: https://platform.claude.com/docs/ja/build-with-claude/prompt-engineering/prompting-claude-fable-5

                                                                                      • DiffusionGemma: 4x faster text generation

                                                                                        • Googleは、テキスト生成の推論速度を最大4倍に高速化する実験的なオープンモデル「DiffusionGemma」を発表しました。Apache 2.0ライセンスで公開されており、GPUの処理能力を最大限に引き出す新しいアプローチ「テキスト拡散」を採用しています。

                                                                                        ■ 従来のモデルとの違いと「テキスト拡散」の仕組み

                                                                                        従来の一般的な大規模言語モデル（LLM）は「自己回帰型」と呼ばれ、文字（トークン）を左から右へ1つずつ順番に出力します（タイプライターのような動作）。この方式は、ローカル環境で1人のユーザーが実行する場合、GPUが次の文字の計算を待つ状態になり、ハードウェアの性能を活かしきれない課題がありました。
                                                                                        一方、DiffusionGemmaが採用する「テキスト拡散」は、画像生成AIのように「ノイズ状態から徐々に鮮明な画像を浮き上がらせる」プロセスをテキストに応用したものです。256トークン分のテキストブロックを並列かつ同時に生成・推敲し、一気に書き上げる（印刷機のような動作）ことで、GPUの計算リソースを無駄なく使い切り、圧倒的な高速化を実現しています。

                                                                                        ■ 主な特徴とメリット

                                                                                        1. 圧倒的な推論速度：専用GPUを用いることで最大4倍の高速化を達成。NVIDIA H100で毎秒1000トークン以上、GeForce RTX 5090でも毎秒700トークン以上の出力が可能です。
                                                                                        2. 省メモリなMoE設計：全体で26B（260億パラメータ）のMixture of Experts（MoE：処理に応じて必要なパーツだけを起動する仕組み）ですが、推論時に動くのは3.8Bのみです。量子化することで、18GB VRAMのコンシューマー向けGPUでも快適に動作します。
                                                                                        3. 双方向アテンション：生成時にすべてのトークンが互いに関連し合えるため、文章の前後関係を同時に考慮できます。従来のLLMが苦手だった「コードの穴埋め」や「数独の解決」といった非線形なタスクに強みを発揮します。
                                                                                        4. リアルタイムの自己修正：テキスト全体を同時に見渡しながら生成するため、文法エラーや記述ミスをリアルタイムに検知して自己修正できます。

                                                                                          5. ■ 注意点とおすすめの用途

                                                                                          本モデルは「速度と並列生成」に特化した実験的モデルであるため、出力の「総合的な品質」自体は標準的な「Gemma 4」より低くなります。そのため、高品質な回答が必要な本番システムには従来の「Gemma 4」の利用が推奨されます。
                                                                                          DiffusionGemmaは、エディタでのリアルタイムなコード補完やインライン編集、すばやい試行錯誤が必要なローカル開発など、低遅延（ローカル推論）が最優先されるインタラクティブな開発プロセスで真価を発揮します。

                                                                                          引用元: https://blog.google/innovation-and-ai/technology/developers-tools/diffusion-gemma-faster-text-generation/

                                                                                          • オープンソースプロジェクト「context-mode」がGitHubトレンド1位に：AIプログラミングのコストを98%削減、Token不安の解消に期待

                                                                                            • AIプログラミングツールの普及に伴い、開発者は「高額なAPI利用料（トークン消費）」と、会話が長くなると「AIが途中で前提条件を忘れてしまう記憶喪失」という2つの大きな課題に直面しています。これらを根本から解決するために開発され、GitHubでトレンド1位を獲得するなど世界中で大きな注目を集めているオープンソースプロジェクトが「context-mode」です。

                                                                                            context-modeは、AIモデルと外部システムを繋ぐ標準規格「MCP（Model Context Protocol）」に対応した軽量なプラグインです。プログラミング時におけるAIのトークンコストを最大98%削減し、AIの有効な記憶時間を従来の30分から3時間へと大幅に引き延ばすことができます。

                                                                                            このツールは、主に以下の3つのアプローチで課題を解決します。

                                                                                            1. 仮想サンドボックスによる無駄なトークンの削減

                                                                                              従来のツールは、ファイルの全データをそのままAIに流し込むため、トークン消費が急増していました。context-modeはローカル環境にデータを保存し、AIには必要な情報だけを絞って提供することで、データ読み込み時のトークンコストを大幅に削減します。

                                                                                            2. 「スナップショット」による記憶の維持

                                                                                              会話が長くなるとAIは過去の指示を忘れてしまいます。これを防ぐため、開発の進捗やルールをまとめた軽量な要約（スナップショット）を定期的にAIへ自動注入し、重要な設計や前提ロジックを忘れさせない仕組みを提供します。

                                                                                            3. 「コードで思考（Think in Code）」の推進

                                                                                              AIに大量のデータを直接読み込ませて処理させるのではなく、「データを処理するためのスクリプト」をAI自身に書かせ、ローカルで実行した結果だけをAIに返します。これにより、AIとの高価なやり取りを最小限に抑え、トークンコストを劇的に抑えます。

                                                                                              導入のしやすさと今後の展望

                                                                                              context-modeは、Cursorなどの既存の開発環境（IDE）にそのまま組み込めるアドオン（ミドルウェア）として設計されているため、導入のハードルが非常に低いのが強みです。すでに世界中で24万人以上の開発者や大手IT企業に採用されています。さらに、企業向けにAIの利用コストやエラー発生率を可視化・管理する「Insights」という機能も現在テスト中です。

                                                                                              無駄な情報を極限まで削ぎ落とし、賢くAIを活用する「context-mode」は、これからのAI協調開発における新しいスタンダードとして、多くの開発者の財布と開発効率を救う期待のツールです。

                                                                                              引用元: https://finance.biggo.jp/news/MUh9q54BrAZSr0oS5ID7

                                                                                              • AIに『マンジャロがテーマの漫才』を考えてもらったら普通に完成度が高いものが出力されてちょっと怖い「笑ってしまった。くやしい」「もうAGIでよくね」

                                                                                                • AIモデル「Claude Fable 5」に「マンジャロ」をテーマにした漫才の作成を指示したところ、極めて完成度の高い台本が出力され話題を呼んでいます。台本は、ダイエット薬、キリマンジャロ、Manjaro Linuxを巧みに掛け合わせた「三段ボケ」が盛り込まれ、最後はオチまで綺麗に回収する構成です。LLMにおけるお笑いセンスの急速な進化や文脈理解の高さが伺え、汎用人工知能（AGI）の到来を予感させる内容です。

                                                                                                引用元: https://togetter.com/li/2707757

                                                                                                • お便り投稿フォーム

                                                                                                  • （株式会社ずんだもんは架空の登場組織です）

                                                                                                  0 min
                                                                                                • 株式会社ずんだもん技術室AI放送局 podcast 20260610
                                                                                                  youtube版(スライド付き)
                                                                                                  関連リンク
                                                                                                  • Claude Fable 5 and Claude Mythos 5

                                                                                                    • 米Anthropic社は、同社史上最高性能を持つ最新AIモデル「Claude Fable 5」および、そのセキュリティ・バイオ研究向けの特別版「Claude Mythos 5」を発表しました。従来のモデルを大幅に上回る実務能力を持ちながら、高度な安全対策が実装されているのが特徴です。日本のエンジニア、特に新人エンジニアが押さえておくべき主要ポイントは以下の4点です。

                                                                                                    1. 開発・実務を劇的に効率化する圧倒的な性能

                                                                                                    Fable 5は、コーディング、視覚理解（ビジョン）、複雑な意思決定などのベンチマークで世界最高水準（SOTA）の性能を記録しました。

                                                                                                    • コーディングの超効率化: Stripe社における先行テストでは、通常なら開発チーム全体で2ヶ月以上かかる5,000万行のRubyコードの移行（マイグレーション）作業を、Fable 5がわずか1日で自律的に完了させました。
                                                                                                    • 高度な視覚理解: 画面のスクリーンショット画像だけを頼りにWebアプリのソースコードを再構築できます。また、補助ツールを一切使わず、ゲーム画面の画像入力のみで『ポケットモンスター ファイアレッド』をクリアするほどの空間・状況把握能力を持ちます。
                                                                                                    • 自律性と記憶力の向上: 外部メモリを活用し、長期にわたるタスクでも破綻せずに自律的に思考を継続できます。

                                                                                                      • 2. 安全性を担保する「フォールバック」システム

                                                                                                      高い能力を持つAIはサイバー攻撃などに悪用されるリスクもあります。これを防ぐため、Fable 5には危険な対話を検知する高度な「分類器（セーフガード）」が搭載されました。
                                                                                                      もしサイバー攻撃やバイオ兵器に関連する危険な質問だと判定された場合、システムは回答を拒否するのではなく、安全な前世代モデル「Claude Opus 4.8」に自動で処理を引き継ぎます（フォールバック）。通常の用途（95%以上のセッション）ではこの制限に引っかかることなく、Fable 5のフルパワーを利用できます。

                                                                                                      3. 専門家向けの特別版「Claude Mythos 5」

                                                                                                      Fable 5と全く同じモデルでありながら、サイバーセキュリティやバイオ分野のセーフガードを解除した「Mythos 5」も提供されます。こちらは、政府機関や信頼されたセキュリティ防衛組織、高度な医薬品・ゲノム研究を行う専門家にのみ、厳格な審査を経て限定提供されます。

                                                                                                      4. 価格とデータ保持ポリシー

                                                                                                      • 低価格化: 入力100万トークンあたり10ドル、出力100万トークンあたり50ドルに設定され、従来のプレビュー版の半額以下に抑えられています。
                                                                                                      • データの30日保持: 新たな安全基準として、ビジネスデータは30日間保持されます（ただし安全確認目的のみに使用され、AIの学習には一切使われません）。
                                                                                                      • 提供状況: APIおよび一部プランで即日利用可能となっており、個人向けのProプランなどでも段階的に展開される予定です。

                                                                                                        • Fable 5の登場により、エンジニアが面倒な定型業務をAIエージェントに丸投げし、より本質的な設計や創造的タスクに集中できる未来がすぐそこまで来ています。

                                                                                                        引用元: https://www.anthropic.com/news/claude-fable-5-mythos-5

                                                                                                        • Fluid, natural voice translation with Gemini 3.5 Live Translate

                                                                                                          • 2026年6月9日、Googleは音声から音声への翻訳をほぼリアルタイムで実現する最新モデル「Gemini 3.5 Live Translate」を発表しました。本モデルは、従来の翻訳システムが抱えていた「不自然な間」や「感情の欠如」という課題を打破する画期的な技術です。

                                                                                                          ■ 技術的な特徴と革新性

                                                                                                          Gemini 3.5 Live Translateの最大の特徴は、70以上の言語を自動検出し、話し手の「抑揚（イントネーション）」「話速（ペース）」「声の高さ（ピッチ）」を維持したまま、自然な音声を生成する点にあります。

                                                                                                          従来のシステムは話し手が最後まで話し終えるのを待ってから翻訳を開始する「ターン制」が主流でしたが、本モデルはストリーミング処理により継続的に音声を生成します。文脈の理解度と即時性のバランスを高度に制御することで、話者からわずか数秒遅れるだけの、スムーズで同時通訳に近い体験を提供します。

                                                                                                          ■ 開発者向けの提供と活用

                                                                                                          新人エンジニアの方にとっても、この強力な機能を自分のアプリケーションに組み込むチャンスがすぐに用意されています。
                                                                                                          ・APIの公開：Gemini Live APIを通じて、パブリックプレビューとして利用可能です。Google AI Studioでも試すことができます。
                                                                                                          ・優れた堅牢性：高度なノイズ耐性を備えており、騒がしい屋外や予測不可能な環境でも動作します。
                                                                                                          ・エコシステムの活用：LiveKit、Agora、Pipecatといった主要なリアルタイム通信SDKがすでに対応しており、複雑なストリーミングインフラを自前で構築しなくても、高品質な音声翻訳機能を実装できる環境が整っています。

                                                                                                          ■ 実際の展開と安全性

                                                                                                          この技術はGoogle MeetやGoogle Translateアプリにも順次導入されます。特にGoogle Meetでは、これまで英語を中心とした限定的な対応でしたが、今後は2000以上の言語ペアでの会話が可能になり、グローバルな会議のあり方を一変させます。

                                                                                                          また、生成されたすべての音声には、Googleの電子透かし技術「SynthID」が不可視の状態で埋め込まれています。これにより、AI生成コンテンツであることを識別可能にし、誤情報の拡散を防ぐといった「責任あるAI」としての安全策も講じられています。

                                                                                                          多言語コミュニケーションの壁を取り払うこの技術は、世界のエンジニアが協力して開発を行う現場や、グローバル展開するプロダクトの可能性を大きく広げる、非常にエキサイティングなニュースです。

                                                                                                          引用元: https://deepmind.google/blog/fluid-natural-voice-translation-with-gemini-35-live-translate/

                                                                                                          • OpenCV 5 Is Here: The Biggest Leap in Years for Computer Vision

                                                                                                            • コンピュータビジョンの世界標準ライブラリであるOpenCVが、数年ぶりのメジャーアップデートとなる「OpenCV 5」をリリースしました。これまでのOpenCV 4系では、最新のディープラーニング（DL）モデルを読み込もうとするとエラーが出ることもありましたが、今作は「現代のAI・DL環境への完全対応」を掲げた、非常に意欲的な進化を遂げています。

                                                                                                            最大のハイライトは、完全に再設計された「新DNNエンジン」です。ONNX（モデル共有用フォーマット）の対応率が従来の22%から80%以上へと劇的に向上しました。内部構造が「グラフベース」に刷新されたことで、推論時に計算順序を最適化したり、複数の処理を一つにまとめたりすることが可能になり、ONNX Runtimeなどの専用エンジンに匹敵、あるいは凌駕する実行速度を実現しています。

                                                                                                            さらに驚くべきは、LLM（大規模言語モデル）やVLM（視覚言語モデル）へのネイティブ対応です。ライブラリ内にトークナイザー（文字を数値化する処理）やキャッシュ機構が組み込まれたため、OpenCVだけで画像の説明文を生成したり、チャットAIを動かしたりできます。また、物体を自然に消去する「LaMa」を用いた画像修復機能なども追加されており、生成AI時代の機能を標準装備しています。

                                                                                                            新人エンジニアにとって嬉しい、開発環境の現代化も行われました。

                                                                                                            • 言語仕様の刷新: C++17が標準となり、古いC言語時代の負の遺産（C API）が整理されました。
                                                                                                            • Pythonの使い勝手向上: Pythonでキーワード引数が使えるようになり、引数の順番を覚えなくてもコードが書けるようになりました。またNumPy 2.xにも対応しています。
                                                                                                            • ハードウェア加速: 新たな抽象化レイヤー（HAL）により、IntelやARM、RISC-Vなど、どんなCPU・チップ上でもコードを変えずに高速動作する仕組みが整いました。

                                                                                                              • 3Dビジョン機能もモジュールごとに整理され、複数カメラのキャリブレーションや点群処理が扱いやすくなっています。ドキュメントも一新され、検索性が向上しました。

                                                                                                              OpenCV 5は、古典的な画像処理から最新の生成AIまでを一気通貫で扱える強力なツールへと生まれ変わりました。今後のアップデートでは、この新エンジンによるGPU加速や、前処理・後処理まで含めたハードウェア高速化も予定されています。最新のAIモデルをプロダクトに組み込みたいエンジニアにとって、必見のリリースです。

                                                                                                              引用元: https://opencv.org/opencv-5/

                                                                                                              • パイの奪い合いといいつつ皆ピザを想像している オタク

                                                                                                                • 「パイの奪い合い」という慣用句を聞いた際、多くの人が本来の洋菓子ではなく、ピザを脳内でイメージしているのではないかという日常の気づきを綴ったエッセイです。日本人にとって馴染み深い「切り分けられた円形の食べ物」がピザであるため、無意識にイメージが変換されている面白さを指摘しています。用語の共通認識が大切なエンジニアにとっても、言葉とイメージの乖離を再確認できる、クスッと笑える内容です。

                                                                                                                引用元: https://anond.hatelabo.jp/20260608224942

                                                                                                                • お便り投稿フォーム

                                                                                                                  • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                  0 min
                                                                                                                • 株式会社ずんだもん技術室AI放送局 podcast 20260609
                                                                                                                  youtube版(スライド付き)
                                                                                                                  関連リンク
                                                                                                                  • Claude Code × Claude Design で趣味のアプリを作った話

                                                                                                                    • 本書は、開発者の広瀬氏がAIコーディングエージェント「Claude Code」とUIモック生成ツール「Claude Design」を駆使し、個人で筋トレ記録アプリを開発した体験レポートです。新人エンジニアにとって、最新のAIアシスタントと協働する「次世代のシステム開発フロー」を学ぶ上で非常に参考になる内容となっています。

                                                                                                                    1. 開発の概要と技術構成

                                                                                                                    電波の弱いジムでも快適に動くよう「オフラインファースト」を掲げたモバイルアプリを開発。技術選定や詳細設計は、Claude Codeに相談しながら一つずつ決定されました。

                                                                                                                    • フロントエンド: Expo SDK 54 (React Native), TypeScript
                                                                                                                    • バックエンド: Supabase (Postgres, Auth, RLS)
                                                                                                                    • 状態管理: TanStack Query (キャッシュを利用したオフライン対応)
                                                                                                                      • 2. AIと人間が協働する「開発フロー」

                                                                                                                      開発は、設計・実装を担当する「Claude Code」と、UIデザインを担当する「Claude Design」をシームレスに行き来しながら進められました。

                                                                                                                      1. 計画・設計（Claude Code）: 要件（オフライン対応、指標計算など）を伝えて、データモデルや画面構成、分割されたタスクの提案を受け、対話しながら設計を決定。
                                                                                                                      2. プロジェクト専属「Skill」の育成: 繰り返し行う手順（型定義の再生成、UIスタイルガイドなど）をMarkdown形式の手順書（Skill）として定義。AIが自律的にこれを参照して開発を進める仕組みを構築。
                                                                                                                      3. デザインモックの生成（Claude Design）: Claude Codeに詳細なデザイン仕様を書き出してもらい、それをClaude Designに渡すことでイメージに沿ったUIモック（JSX）を生成。
                                                                                                                      4. 実装（Claude Codeへの受け渡し）: モックのデザインファイルをClaude Codeに読み込ませ、React Nativeの実装コードへ自動変換。
                                                                                                                      5. ズレの監査とテスト: 自動でモックと実装コードの差分をチェックする監査エージェントを動かしつつ、最終的には自身の目で実機確認。また、コードの崩壊を防ぐため、機能ごとにJest（ユニットテスト）やMaestro（E2Eテスト）によるテストをこまめに実行。
                                                                                                                        6. 3. 新人エンジニアが持ち帰りたい教訓
                                                                                                                        • AIに毎回同じ説明をしない: 共通の前提やルールをあらかじめドキュメント（Skill）にまとめておくことで、指示の精度が上がり、開発テンポが向上します。
                                                                                                                        • こまめなテストで手戻りを防ぐ: AIは高速に大量のコードを出力するため、最後にまとめて確認するとバグの特定が困難になります。テストを小刻みに挟むことが成功の秘訣です。
                                                                                                                        • 「作る楽しさ」を主目的にする: 評価軸や技術選定をすべて自分で決められる「趣味の個人開発」は、エンジニアとしての視野を広げ、結果として業務に活きる大きな経験値となります。

                                                                                                                          • 最新ツールを組み合わせることで、一人でも設計・デザイン・実装・テストの全工程を高品質に回し切れる、夢のある開発手法を示した好例です。

                                                                                                                          引用元: https://blog.asial.co.jp/6808/

                                                                                                                          • AIウォーターフォール開発：コンテキストゼロのAIを一人前にする仕組み

                                                                                                                            • 本書は、AIを活用したシステム開発において、AIが過去の設計判断やドキュメントのつながりを理解できないという課題を解決するための新しい開発手法を提案しています。

                                                                                                                            1. AI開発における課題：記憶喪失の「新人」

                                                                                                                            Claude Codeなどの高度なAIツールは非常に優秀ですが、セッションを開始するたびに記憶（コンテキスト）がリセットされてしまいます。プロジェクトの背景や過去の意思決定をその都度説明し直す必要があり、まるで「毎朝記憶を失ってやってくる新人エンジニア」に指示を出すような状態になってしまいます。ただ関連資料を渡すだけでは、仕様の矛盾や他への影響範囲にAI自身が気づくことは困難です。

                                                                                                                            2. 解決策：ドキュメントの「トレーサビリティ（追跡可能性）」

                                                                                                                            この課題を解決するため、従来のウォーターフォール開発が持つ「トレーサビリティ（設計のつながりを追いかけられる状態）」の仕組みを導入します。「どの要件が、どの仕様に紐づき、どのテストで検証されるか」というドキュメント同士の「つながり」を、AIが自分で辿れるように設計します。

                                                                                                                            具体的には、以下のレイヤーでドキュメントを体系化し、相互に関連付けます。

                                                                                                                            • ADR（設計判断の理由・背景）
                                                                                                                            • REQ（要件）
                                                                                                                            • SPEC（仕様）
                                                                                                                            • BF（業務フロー）
                                                                                                                            • TC（テストケース）
                                                                                                                            • src（実際のソースコード）
                                                                                                                              • 3. 推進するための技術的アプローチ

                                                                                                                              これらをAIに効率よく理解させるため、著者は以下の技術を組み合わせています。

                                                                                                                              • グラフデータベース（Neo4j）の活用: ドキュメントを「点（ノード）」、関係性を「線（エッジ）」として登録し、ドキュメント同士の「つながりの地図」を作ります。
                                                                                                                              • GraphRAGによる検索の最適化: グラフ構造を辿ることで、関連する情報だけをピンポイントで検索し、AIに渡す情報を最小限に抑えます。
                                                                                                                              • AIの行動のパターン化: 実装前に影響範囲を自己評価させる /impact-report や、仕様の矛盾をチェックする /spec-check などのカスタムコマンドを整備。「いきなりコードを書かせず、まず設計の整合性を確認させる」プロセスを徹底します。
                                                                                                                              • CI/CDによる自動化: GitHub Actionsを使い、ドキュメントの参照関係が壊れていないかの自動チェックや、プルリクエスト時の影響範囲の自動レポートを行います。
                                                                                                                                • まとめ

                                                                                                                                AI開発で本当に必要なのは、ドキュメントを大量に読ませることではなく「関係性を整理して伝えること」です。ドキュメント同士のつながりを可視化し、AIがそれを辿れる仕組み（トレーサビリティ）を作ることで、記憶がリセットされるAIでも、迷わずに安全な開発が行えるようになります。

                                                                                                                                引用元: https://zenn.dev/abalol/articles/579296fa31056f

                                                                                                                                • Lookerとセマンティックレイヤーで作る会話分析の運用と評価

                                                                                                                                  • データ分析において「別の切り口でデータを見たい」という要望への個別対応は、データエンジニアの大きな負担になります。ファインディ社では、Lookerの「会話分析（自然言語の質問に対して、AIが裏でクエリを自動作成・実行して回答する機能）」を活用し、ユーザーが自律的にデータを抽出・分析できる仕組みを構築しました。

                                                                                                                                  ■ 1. セマンティックレイヤー（Explore）を入口にする理由

                                                                                                                                  データベースにある生のテーブルをそのままAIに渡すと、データの意味や集計ロジックが曖昧なため、誤った回答の原因になります。
                                                                                                                                  そこで、データの定義や集計ルールを1箇所に集約した「セマンティックレイヤー（LookerのExplore）」をAIの参照先に指定しました。これにより、以下のメリットが生まれます。
                                                                                                                                  ・データの信頼性向上: AIがダッシュボードと同じ定義（SSoT: 正しい単一のデータソース）を参照するため、数値の食い違いを防げます。
                                                                                                                                  ・コンテキストの最適化: AIに渡す情報が限定されるため、回答精度が向上します。
                                                                                                                                  ※複数データを横断するファネル分析などの弱点に対しては、ユーザー行動を1行にまとめた「累積ファクトテーブル」をあらかじめ用意してExplore化することで解決しています。

                                                                                                                                  ■ 2. エージェントのGit管理とCI/CD

                                                                                                                                  AIエージェントのシステムプロンプトや設定をGUI（画面）で直接編集すると、変更履歴が追えなくなります。そこで、エージェント定義をYAMLファイルに書き出してGitで管理し、GitHub Actionsを通じて自動でLookerに反映する仕組みを導入しました。

                                                                                                                                  ■ 3. 回答品質を担保する「2軸評価」

                                                                                                                                  プロンプトや定義の変更が回答精度にどう影響したかを検証するため、CIで自動評価する仕組みを構築しました。
                                                                                                                                  ・軸1（LLMによる採点）: Vertex AIの評価サービスを使い、別のLLM（LLM-as-a-Judge）が「指示に従えているか」「読みやすいか」などを客観的に段階評価します。
                                                                                                                                  ・軸2（クエリの機械的検証）: AIが実際に発行したSQLクエリが、意図したテーブルやフィルタを使っているかをテスト（アサーション）で厳密に検証します。
                                                                                                                                  評価結果はプルリクエストに自動コメントされ、ユーザーからのフィードバックをもとに評価ケースを継続的にアップデートしています。

                                                                                                                                  ■ 成果

                                                                                                                                  Lookerユーザーの約半数が会話分析を活用するようになり、社内からのデータ抽出依頼はほぼゼロになりました。データチームは単純作業から解放され、より高度なデータ活用や分析業務に注力できるようになりました。

                                                                                                                                  引用元: https://tech.findy.co.jp/entry/2026/06/08/080000

                                                                                                                                  • 素人でも手軽に“それっぽい”動画が作れてしまう編集ソフト『nizima ACTION!!』が便利すぎた。ずんだもんのLive2Dが簡単に動かせるし、リップシンクだってワンボタンでつけられちゃう。作業はブラウザ上で完結するので超気軽に動画制作を始められる

                                                                                                                                    • Live2D公式の無料オンライン動画エディター『nizima ACTION!!』の紹介です。ブラウザ上で動作するためインストール不要で、手軽に動画制作を始められます。最大の特長は、音声合成ソフト「VOICEVOX」が内蔵されている点です。ずんだもんなどの音声や字幕をエディタ内で直接作成でき、さらにワンボタンでLive2Dモデルにリップシンク（口パク）を適用できます。素材連携も豊富で、初心者でも直感的に高品質な動画が作れます。

                                                                                                                                    引用元: https://news.denfaminicogamer.jp/kikakuthetower/260608n

                                                                                                                                    • お便り投稿フォーム

                                                                                                                                      • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                                      0 min
                                                                                                                                    • マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260608
                                                                                                                                      youtube版(スライド付き)
                                                                                                                                      関連リンク
                                                                                                                                      • E2Eテストを民主化したら、朝には失敗の分析も再実行も修正PRも終わっていた

                                                                                                                                        • 本書は、医療スタートアップ企業がPlaywrightを用いたE2E（エンドツーエンド）テストの運用を、QA（品質保証）チームから各開発チームへ「民主化（自分たちで運用すること）」し、その過程で発生した課題をAI（Claude）を活用して解決した実践的な取り組みを紹介しています。

                                                                                                                                        1. 背景と「民主化」における課題

                                                                                                                                        従来、プロダクトのE2EテストはQAチームが単独で作成・保守を行っていましたが、「テスト失敗時の原因特定に時間がかかる」「開発チームからテスト内容が見えにくい」という課題がありました。そこで、各開発チームが自分たちのテストを自ら運用する方針へ切り替えました。しかし、これによって「どのエラーが誰の担当か分かりにくい」「エラー調査などの運用負荷が各チームに重くのしかかる」という新たな問題が発生しました。

                                                                                                                                        2. AI（Claude）を活用した解決アプローチ

                                                                                                                                        開発者の負担を減らし、本来の目的であるバグ修正に集中してもらうため、AI（Claude）を取り入れた自動化の仕組みを構築しました。

                                                                                                                                        • 担当の見える化: Slackのエラー通知に担当チームのメンションを追加し、誰が対応すべきかを一目で分かるようにしました。
                                                                                                                                        • AIによるログの自動分析: 夜間に実行したテスト結果やGitHub ActionsのログをClaudeに渡し、エラー原因が「環境の一時的な問題（Flaky）」か「アプリのバグ」かをAIに判定させ、チームごとに結果を整理してSlackへ通知します。
                                                                                                                                        • 分析に基づく自動アクションの実行:
                                                                                                                                          • 環境起因のエラーの場合: AIが自動でテストを「再実行」します。
                                                                                                                                          • 仕様変更による失敗の場合: AIがコードの修正案を検討し、GitHub上に「修正プルリクエスト（PR）」を自動作成します。
                                                                                                                                          • アプリのバグの場合: Slackで担当チームへ直接通知します。

                                                                                                                                            • 3. 導入効果と今後の展望

                                                                                                                                            この取り組みにより、エンジニアは「朝出社してSlackを開くと、テストの失敗分析も、再実行も、修正PRの作成もすべて終わっている」という状態を実現できました。人間はAIが作成したPRをレビューするだけでよくなり、大幅な工数削減に成功しています。
                                                                                                                                            今後は、AIによる分析やPR作成の精度向上、複数チームにまたがる複雑なテストの分類方法などの課題を改善し、さらなる安定運用を目指していくとしています。

                                                                                                                                            引用元: https://zenn.dev/lincwell_inc/articles/e8e288ee35f5b4

                                                                                                                                            • スマホで動くAI、Gemma 4が量子化対応で1GB未満に。Googleが軽量モデル公開 - すまほん!!

                                                                                                                                              • Googleは、モバイル端末での動作に特化した軽量なオープンAIモデル「Gemma 4」において、量子化（モデルの軽量化）を前提に設計・訓練された新しいモデルを公開しました。これにより、最小構成である「Gemma 4 E2B」はメモリ使用量を約1GB、テキスト専用の用途であれば1GB未満にまで抑えることに成功しました。

                                                                                                                                              本技術の最大の特徴は、軽量化のアプローチとして「QAT（Quantization-Aware Training：量子化意識訓練）」を採用した点にあります。

                                                                                                                                              新人エンジニアの方向けにわかりやすく説明すると、AIモデルを軽量化するプロセスは「スーツケースへの荷物のパッキング」に例えられます。
                                                                                                                                              従来の一般的な手法である「PTQ（学習後の量子化）」は、完成したモデルを力ずくで押し込んで圧縮するため、情報が壊れて品質が落ちてしまいがちでした。一方、今回の「QAT」は「最初からきれいに畳んで詰め込むことを想定して訓練（学習）を行う」ため、極限まで軽量化してもモデルの品質（賢さ）を高く維持できます。Googleのベンチマークでも、従来のPTQを上回る品質が確認されています。

                                                                                                                                              具体的な効果として、4bit形式（Q4_0）への圧縮により、標準的な形式（BF16）と比較して約75%ものメモリ使用量を削減しています。例えば「26B A4B」というモデルは、Q4_0形式にすることでメモリ要件を約14.4GBに抑えつつ、一回り大きな31Bモデルに近い処理性能を発揮します。さらにモバイル向けの超圧縮では、重要度の低い処理部分を2bitまで大胆に削り、推論の中核を担う重要な層は高精度に保つといった、効率的な使い分けを行っています。

                                                                                                                                              このアップデートは、ローカル環境（オンデバイス）でAIを動かしたいエンジニアにとって極めて重要なニュースです。

                                                                                                                                              これまで高い通信コストやサーバー遅延が課題だったAIアプリ開発において、ユーザーの手元のスマートフォン単体、かつオフラインでも動く「実用的なAIアプリ」を開発する未来が一気に現実味を帯びてきました。次世代のアプリケーション開発における強力な選択肢となるでしょう。

                                                                                                                                              引用元: https://smhn.info/202606-gemma-4-quantized-1gb-google-lightweight-on-device-ai

                                                                                                                                              • AI slop コードレビュー

                                                                                                                                                • 近年、AIコーディングツールの普及が進む一方で、AIが生成した質の低いコードや、対話の伴わないプルリクエスト（PR）が大量に送られてくる「AI slop（AI製の粗悪なコンテンツ/コード）」問題が、OSSのメンテナを悩ませています。本記事は、Scalaコンパイラの開発に携わる筆者が、AIを使いこなせていないユーザーから届く低品質なPRに直面し、その対応に苦慮している現実を綴ったものです。

                                                                                                                                                筆者が日々コードレビューを行う中で感じている「AI slop PR」の具体的な問題点は以下の通りです。

                                                                                                                                                1. 対処療法的な低品質コード
                                                                                                                                                  2. 根本的な解決ではなく、特定のエラーやクラッシュを局所的に回避するためだけの、その場しのぎの修正が多く見られます。
                                                                                                                                                2. 当事者意識の欠如
                                                                                                                                                  3. 「PRは作ったので、あとはメンテナがどうにかしてください」という、マージ後の責任を考慮しない無責任なスタンスが目立ちます。
                                                                                                                                                3. AIとの「バケツリレー」によるコミュニケーションの不透明さ
                                                                                                                                                  4. レビュアーからの指摘を、PR作成者がそのままAIに丸投げして返答を待つため、レスポンスが遅くなります。また、作成者自身が仕様を理解していないため、透明性の低いAIと会話させられているような状態に陥ります。
                                                                                                                                                4. 設計の議論を無視していきなりコードを変更する
                                                                                                                                                  5. 「なぜこの変更が必要か」「別の方針はどうか」という問いかけに対し、設計の合意形成を無視して、いきなりAIが再生成したコードの変更で返してきます。作成者自身に一貫した意思（設計思想）がないためです。
                                                                                                                                                5. レビューを重ねるほど方針がブレる
                                                                                                                                                  6. 議論の流れ（文脈）を考慮せず、直近のコメントだけをAIに入力しているためか、指摘を重ねるたびにコードの方向性が迷走していきます。

                                                                                                                                                  新人エンジニアに向けた学びと心構え

                                                                                                                                                  AIツールを使って効率的にコードを書くこと自体は、現代の開発において非常に強力な武器になります。しかし、最も重要なのは「AIが書いたコードの意図を自分自身でしっかりと理解し、説明・コントロールできること」です。
                                                                                                                                                  信頼されるエンジニアになるためには、以下の姿勢が大切になります。

                                                                                                                                                  • AIの提案を鵜呑みにせず、なぜその実装になるのか、根本原因は何かを自ら考える。
                                                                                                                                                  • コードを書き換える前に、まずレビュアーと「設計方針の合意」を取る（議論を拒まない）。
                                                                                                                                                  • ツールに任せる部分と、自分が責任を持つ部分を明確に区別する。

                                                                                                                                                    • こうしたAI slop問題への対抗策として、今後は「信頼されたユーザーのみがPRを作成でき、それ以外はまずIssueで議論を必須とする」など、OSS開発のあり方そのものが制限付きのフローへと変わっていく可能性が指摘されています。

                                                                                                                                                    引用元: https://tanishiking24.hatenablog.com/entry/2026/06/07/134005

                                                                                                                                                    • お便り投稿フォーム

                                                                                                                                                      • VOICEVOX:春日部つむぎ

                                                                                                                                                      9 min
                                                                                                                                                    • 私立ずんだもん女学園放送部 podcast 20260605
                                                                                                                                                      youtube版(スライド付き)
                                                                                                                                                      関連リンク
                                                                                                                                                      • Dreaming: Better memory for a more helpful ChatGPT

                                                                                                                                                        • OpenAIは、ChatGPTにおいてユーザーの過去の会話文脈をより賢く、効率的に記憶・整理するための新しいメモリシステム「Dreaming（ドリーミング）」の大幅なアップデートを発表しました。この技術は、長期間にわたる多数のユーザーとの対話における「情報の陳腐化」「正確性」「スケーラビリティ」といった技術的課題を解決するために開発されました。

                                                                                                                                                        ■ メモリ機能の進化と「Dreaming」の仕組み

                                                                                                                                                        ChatGPTのメモリ機能は、2024年にユーザーからの明示的な指示（「〜を覚えておいて」など）を記録する形で始まりました。しかし、これでは情報のアップデートが難しく、指示がないと忘れてしまうという課題がありました。
                                                                                                                                                        そこで2025年に導入されたのが「Dreaming」です。これは、AIがバックグラウンド処理（人間が寝ている間に夢を見て記憶を整理するようなプロセス）を通じて、自動的に過去の対話履歴を分析・要約し、メモリを最新状態に更新するシステムです。今回のアップデート（Dreaming V3）は、この仕組みをさらに高性能かつ計算効率よく再構築したものです。

                                                                                                                                                        ■ Dreamingが実現する3つのコア体験

                                                                                                                                                        本システムは、エンジニアリングにおける「優れたメモリ」の要件として以下の3つを高度にクリアしています。

                                                                                                                                                        1. 有用な文脈の引き継ぎ：過去に話した「自分のカメラ機材」などの前提情報を保持するため、次回からは「私のセットアップに互換性のあるパーツは？」と聞くだけで、個別具体的な提案が得られます。
                                                                                                                                                        2. 好みの遵守：「ベジタリアン」や「静かな店が好き」といった個人の制約や嗜好を常に反映した回答を行います。
                                                                                                                                                        3. 時間経過への適応：時間の経過を認識します。例えば「7月にシンガポールへ行く」という記憶は、旅行期間が過ぎると自動的に「過去に旅行した」と更新されます。これにより、帰国後に「今日の夕食のテイクアウトを提案して」と聞いた際に、旅行先ではなく現在の居住地に基づく提案を正しく行えます。

                                                                                                                                                          4. ■ 技術的ブレイクスルーと展開

                                                                                                                                                          今回の新アーキテクチャにより、メモリの合成処理に必要な計算コストを約5分の1にまで劇的に削減することに成功しました。このコスト効率の向上により、これまで有料プラン（Plus/Pro）限定だった高度なDreamingシステムが、数週間以内に無料プラン（Free）ユーザーへも順次提供開始される予定です。

                                                                                                                                                          ユーザーは「メモリ概要（Memory Summary）」画面から、ChatGPTが覚えている自身の情報を一覧で確認し、手動で追加や修正、削除を行うことができます。効率的なパーソナライズ基盤として、今後のAIエージェント開発においても重要なマイルストーンとなるアップデートです。

                                                                                                                                                          引用元: https://openai.com/index/chatgpt-memory-dreaming

                                                                                                                                                          • NVIDIA Nemotron 3 Ultra Powers Faster, More Efficient Reasoning for Long-Running Agents

                                                                                                                                                            • タイトル: NVIDIA Nemotron 3 Ultra Powers Faster, More Efficient Reasoning for Long-Running Agents

                                                                                                                                                            要約：

                                                                                                                                                            NVIDIAは、長時間自律的に稼働する「AIエージェント」向けに最適化された新しいオープンLLM「NVIDIA Nemotron 3 Ultra」を発表しました。複数のツールやサブエージェントを組み合わせる複雑なワークフローにおいて、劇的な高速化とコスト削減を実現します。

                                                                                                                                                            1. 概要と優れたパフォーマンス

                                                                                                                                                            本モデルは、総パラメータ数550B（アクティブパラメータ数55B）のMixture-of-Experts（MoE）モデルです。エージェントがタスクを長期実行すると、会話履歴の肥大化によるコスト増や目的のブレ（ゴールズレ）が課題になります。本モデルはこれらを解決し、同クラスのオープンモデルと比較して「5倍のスループット（処理速度）」を達成。タスク完了までのトークンコストを「最大30%削減」することに成功しました。

                                                                                                                                                            2. 性能を支える革新的な技術

                                                                                                                                                            • MambaとTransformerのハイブリッド: 長文脈を効率よく処理できる「Mamba」と、精密な情報回収が得意な「Transformer」を融合。長時間のタスクでも一貫した意思決定を維持します。
                                                                                                                                                            • MOPD（複数教師による強化学習）: 10以上の専門分野を持つ「教師モデル」から、本モデル自身が試行錯誤しながら学習する手法を採用。コーディングや高度な推論能力を効率よく向上させました。
                                                                                                                                                            • NVFP4量子化: 1つのチェックポイントでHopperやBlackwellなど多様なNVIDIA GPUに対応。従来のBF16精度と比較して最大5倍のスループットを発揮します。
                                                                                                                                                            • LatentMoE & 複数トークン予測（MTP）: 効率的な専門家ルーティングと、一度に複数のトークンを予測する技術により、生成時間を大幅に短縮します。

                                                                                                                                                              • 3. 周辺ツールとライセンス

                                                                                                                                                              安全性確保のためのガードレールモデル「Nemotron 3.5 Content Safety」や、40カ国語以上に対応するリアルタイム音声認識モデル「Nemotron 3.5 ASR」も同時にリリース。また、開発者が安心して利用・改変できるよう、ライセンスはLinux Foundationの「OpenMDW-1.1」を採用しています。

                                                                                                                                                              Hugging FaceやNVIDIA NIM、主要クラウドで既に利用可能で、主要なエージェントフレームワーク（Hermes Agent、LangChainなど）とも連携できます。エージェント開発の未来を担う大注目のモデルです。

                                                                                                                                                              引用元: https://developer.nvidia.com/blog/nvidia-nemotron-3-ultra-powers-faster-more-efficient-reasoning-for-long-running-agents/

                                                                                                                                                              • VoidZero is Joining Cloudflare

                                                                                                                                                                • フロントエンド開発で広く使われているビルドツール「Vite（ヴィート）」などの開発を主導する企業「VoidZero（ボイドゼロ）」が、クラウド大手の「Cloudflare（クラウドフレア）」に統合されることが発表されました。この統合は、モダンなWeb開発に携わる日本のエンジニアにとって非常に大きなニュースです。

                                                                                                                                                                1. VoidZeroと主要な開発ツール

                                                                                                                                                                VoidZeroは、人気フロントエンドフレームワーク「Vue.js」や「Vite」の作者であるEvan You氏が2023年に立ち上げた企業です。JavaScript/TypeScriptエコシステム全体を高速化する統一ツールチェーンの構築を目指し、以下の強力なツール群を提供してきました。

                                                                                                                                                                • Vite / Vitest: 現代のWeb開発でデファクトスタンダード（事実上の標準）となっている、超高速なビルドツールとテストフレームワーク。
                                                                                                                                                                • Rolldown: Rust製で極めて高速な次世代バンドラー。最新のVite 8でデフォルトとして採用されています。
                                                                                                                                                                • Oxc / Oxlint / Oxfmt: Rustで書かれた超高速なJavaScript解析ツール群。従来のESLintやPrettierと互換性を保ちながら、数十倍の高速化を実現しています。
                                                                                                                                                                  • 2. Cloudflareとの統合に至った背景

                                                                                                                                                                  Viteは週1億回以上ダウンロードされるなど爆発的に普及しましたが、オープンソース・ソフトウェア（OSS）単体でのビジネス的な収益化（マネタイズ）には課題を抱えていました。

                                                                                                                                                                  そこでVoidZeroは、OSSのロードマップや開発方針を歪めずに相乗効果を生み出せるサービスとして、Cloudflareのインフラ上で動作するViteネイティブなデプロイプラットフォーム「Void」の開発を始めました。この開発を通じて両社のシナジーがより明確になり、チームを統合して互いの強みを最大限に活かす道が選ばれました。

                                                                                                                                                                  3. 今後の影響と日本のエンジニアへのメリット
                                                                                                                                                                  • オープンソースとしての継続: Vite、Vitest、Rolldown、Oxcなどの主要ツールは、今後もMITライセンスのオープンソースとして提供され、誰でも自由に無償で利用できます。開発チームも引き続きEvan You氏らが主導します。
                                                                                                                                                                  • AI時代への適応: 近年、AIエージェントによる自動化ツールや開発支援が増加しています。今後は「AIエージェントのためのクラウド」を目指すCloudflareと手を取り合い、人間だけでなくAIにとっても摩擦のない、次世代の開発・デプロイ環境の構築を目指します。

                                                                                                                                                                    • この統合により、フロントエンドツールの開発体制がより強固になり、Cloudflareのクラウドインフラとの親和性も一層高まります。新人エンジニアの皆様にとっても、将来にわたり信頼して学べる強力な開発環境が保証されたと言える、非常にポジティブなニュースです。

                                                                                                                                                                    引用元: https://voidzero.dev/posts/voidzero-cloudflare

                                                                                                                                                                    • Cloudflare Agentsで自分をマイクロマネジメントするAIを作った

                                                                                                                                                                      • Cloudflare Agentsを活用し、Obsidianのタスクを元に能動的に自身をマイクロマネジメントするAIエージェント「Kuro」の開発事例です。受動的なチャットボットとは異なり、進捗確認などをTelegram経由で自発的に話しかけてくれます。安全性を考慮し、メモの書き換えは直接行わず変更差分を提案する設計です。個人開発におけるCloudflareの有用性やプロンプト調整の工夫が紹介されています。

                                                                                                                                                                      引用元: https://odiak.net/cloudflare-agents-personal-micromanager

                                                                                                                                                                      • お便り投稿フォーム

                                                                                                                                                                        • VOICEVOX:ずんだもん

                                                                                                                                                                        0 min
                                                                                                                                                                      • 株式会社ずんだもん技術室AI放送局 podcast 20260604
                                                                                                                                                                        youtube版(スライド付き)
                                                                                                                                                                        関連リンク
                                                                                                                                                                        • Introducing Gemma 4 12B: a unified, encoder-free multimodal model

                                                                                                                                                                          • Google DeepMindは、一般的なノートPCなどのローカル環境で軽快に動作する、高性能なマルチモーダルAIモデル「Gemma 4 12B」を発表しました。本モデルは、モバイル向けモデルの「E4B」と、より高度な「26B MoEモデル」のギャップを埋める位置づけとして開発され、メモリ消費を抑えながらも強力な推論能力を備えているのが特徴です。

                                                                                                                                                                          新人エンジニアの方に向けて、このモデルの革新的なポイントを4つに分けて解説します。

                                                                                                                                                                          1. 「エンコーダフリー」という新しいアプローチ

                                                                                                                                                                          従来の画像や音声に対応するAI（マルチモーダルモデル）は、画像用や音声用の独立した「エンコーダ（前処理用AI）」を使ってデータを変換し、メインの言語モデル（LLM）に渡していました。

                                                                                                                                                                          しかし、Gemma 4 12Bではこのエンコーダを排除した革新的なアーキテクチャを採用しています。

                                                                                                                                                                          • 画像（ビジョン）処理: 軽量な埋め込みモジュールのみを使用し、処理の大部分をLLM本体が直接行います。
                                                                                                                                                                          • 音声オーディオ処理: エンコーダを完全に無くし、生の音声信号を直接テキストトークンと同じ空間にマッピングして処理します。
                                                                                                                                                                            • このシンプルな構造（Unified Architecture）により、処理の遅延（レイテンシ）とメモリの使用量を劇的に削減することに成功しました。
                                                                                                                                                                            2. ノートPC（ローカル環境）で動く軽さ

                                                                                                                                                                            モデルのサイズが12B（120億パラメータ）とコンパクトに抑えられているため、16GBのVRAM（ビデオメモリ）やユニファイドメモリを搭載した一般的なPCがあれば、完全にオフラインのローカル環境で動作させることができます。これにより、クラウドのAPIコストを気にせず、手元で手軽にマルチモーダルAIを動かすことができます。

                                                                                                                                                                            3. 大型モデルに迫る高度な推論力

                                                                                                                                                                            メモリ消費量は半分以下であるにもかかわらず、ベンチマーク性能は上位モデルである「26B MoE」に迫る実力を持っています。これにより、複雑な「複数ステップの推論」や、自律的に動く「AIエージェント」のワークフローをローカルで実現可能です。また、Multi-Token Prediction（MTP）技術を搭載しており、推論速度も高速化されています。

                                                                                                                                                                            4. オープンで充実した開発エコシステム

                                                                                                                                                                            ライセンスは「Apache 2.0」で提供され、自由な開発や商用利用が可能です。Hugging Face、Ollama、LM Studio、llama.cppなど、開発者が普段使っている主要なローカル推論ツールやライブラリに最初から対応しています。さらに、AIエージェント構築を支援する公式のスキルライブラリ「Gemma Skills」も同時に公開されています。

                                                                                                                                                                            Gemma 4 12Bは、特別なGPUサーバーを用意せずとも、手元のPCだけで最先端の「画像・音声・テキスト」を融合したプロダクト開発を始められる、エンジニアにとって非常に魅力的な選択肢です。

                                                                                                                                                                            引用元: https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemma-4-12b/

                                                                                                                                                                            • Introducing new capabilities to GPT-Rosalind

                                                                                                                                                                              • OpenAIは、ライフサイエンス（生命科学）研究およびエンタープライズ規模の創薬に特化したAIモデル「GPT-Rosalind」のアップデートと新機能を発表しました。本モデルは、GPT-5.5が持つ高度なエージェント機能（自律的なコーディングやツール利用）に、医学化学やゲノミクスといった専門領域の強力な知識を融合させたものです。

                                                                                                                                                                              本アップデートの主な要点と、技術的な特徴は以下の通りです。

                                                                                                                                                                              1. 専門ベンチマークにおける高い性能と優れたトークン効率

                                                                                                                                                                              ライフサイエンス研究の現場に即した複数のベンチマークにおいて、従来のGPT-5.5を上回る精度を達成しつつ、消費するトークン数を大幅に削減（コストパフォーマンスが向上）しています。

                                                                                                                                                                              • LifeSciBench: 科学的根拠の処理、分析、設計、推論など、実際の研究に必要なエンドツーエンドのタスクを評価する新ベンチマーク。本モデルは業界トップクラスの成績を記録。
                                                                                                                                                                              • MedChemBench (医学化学): 創薬プロセスの最適化などを評価。GPT-5.5に比べトークン消費量を7.2%削減しつつ、精度を向上（27.5% vs 25.1%）。
                                                                                                                                                                              • GeneBench (ゲノミクス・定量生物学): 長期的な計画と分析が必要なエージェントタスクを評価。GPT-5.5比でトークン数を31%削減し、21.6%の精度を達成。
                                                                                                                                                                              • LabWorkBench (実験支援): 実際のウェットラボ（実験室）プロトコルにおけるトラブルシューティング能力を測定。トークン数を5.3%削減し、精度は63.2%に向上。
                                                                                                                                                                                • 2. ワークフローを実効化するプラグインと可視化ツール

                                                                                                                                                                                推論を行うだけでなく、開発者や研究者が実際に手を動かして検証できる「実行環境」が強化されました。

                                                                                                                                                                                • 2つの新プラグイン: 「Life Sciences Research」および「Life Sciences NGS Analysis（次世代シーケンシング分析）」をCodex（コーディング環境）経由で提供。
                                                                                                                                                                                • データ可視化ビューア: 配列、アライメント、分子構造など、生物学特有のネイティブファイル形式を直接確認・操作できるインタラクティブなビューアをCodex内に実装。
                                                                                                                                                                                • ユースケース: がんの液体生検データから変異を特定し、関連文献の探索や阻害剤の立体構造の確認までを、同一のワークスペース上でシームレスに実行できます。
                                                                                                                                                                                  • 3. 安全性を重視した展開

                                                                                                                                                                                  高度な生物学的機能の悪用を防ぐため、十分なガバナンスと安全管理体制を持つグローバルな「信頼された組織（例：製薬大手のノボ ノルディスクなど）」を対象に、リサーチプレビューとして限定的にアクセスが提供されます。

                                                                                                                                                                                  本モデルは、AIが単なる知識の要約にとどまらず、専門的なデータ分析や複雑な実験計画を自律的に支援する「実用的な開発・研究パートナー」へと進化していることを示しています。

                                                                                                                                                                                  引用元: https://openai.com/index/introducing-new-capabilities-to-gpt-rosalind

                                                                                                                                                                                  • Introducing MAI-Thinking-1 Microsoft AI

                                                                                                                                                                                    • Microsoft AIは、高度な推論能力を持つ新しいAIモデル「MAI-Thinking-1」を発表しました。このモデルは、人間を置き換えるのではなく、人間の自律性を支援する「Humanist Superintelligence（人間中心の超知能）」の実現に向けた重要な一歩として開発されました。

                                                                                                                                                                                    1. モデルの概要と特徴

                                                                                                                                                                                    MAI-Thinking-1は、アクティブパラメータ数35B（350億）、総パラメータ数約1T（1兆）の「スパースMoE（Mixture of Experts：必要な部分だけを活性化させる高効率な仕組み）」を採用した中規模モデルです。他社のAIモデルの出力結果を真似て学習させる「蒸留」を一切行わず、クリーンかつ商業利用可能なライセンス済みデータのみを用いて、ゼロからトレーニングされました。これにより、高い制御性と信頼性を確保しています。

                                                                                                                                                                                    2. 開発を支える「Hill-Climbing Machine」

                                                                                                                                                                                    Microsoftは、モデルを継続的かつ安定的に進化させる開発パイプライン「Hill-Climbing Machine」を導入しました。以下の3つの柱を重視しています。

                                                                                                                                                                                    • 自立した学習: 模倣（蒸留）による学習は、教師モデルの限界や設計の偏りを受け継いでしまいます。自ら課題を解くことで、真の適応力を養っています。
                                                                                                                                                                                    • クリーンなデータ: プレトレーニングからAI生成コンテンツを排除し、データの出所を明確にすることで、モデルの挙動を正確に把握・改善できるようにしています。
                                                                                                                                                                                    • 自社インフラの最適化: 自社製のアクセラレータから強化学習フレームワークに至るまで、全レイヤーを社内で最適化し、効率的な訓練を可能にしています。
                                                                                                                                                                                      • 3. エンジニアを強力に支援する高い性能

                                                                                                                                                                                      中規模ながら、以下のような極めて高いパフォーマンスを発揮します。

                                                                                                                                                                                      • 優れたコーディング支援: ソフトウェア開発のベンチマーク（SWE-Bench Pro）において、より巨大なモデルである「Claude Opus 4.6」と同等の実力を示しました。開発者が実際に行う「コードの読み込み、ファイルの編集、テストの実行、エラーからの復旧」といったマルチステップの作業をエミュレートした環境で訓練されています。
                                                                                                                                                                                      • 高い数学的・科学的推論力: 数学オリンピックレベルの難問を扱う「AIME」ベンチマークにおいて極めて優秀な成績を収め、推論ループによる知能の一般化が証明されています。
                                                                                                                                                                                      • 優れたユーザー評価: 人間によるブラインド評価において、「Claude Sonnet 4.6」よりも好ましい回答を出力すると評価されました。
                                                                                                                                                                                        • 4. 実務への導入しやすさ（エンタープライズ対応）

                                                                                                                                                                                        256kトークン（約600ページの文書に相当）の長い文脈を理解でき、関数呼び出し（Function Calling）や開発者命令にも柔軟に対応します。また、一般的なChat Completions APIと互換性があるため、既存システムへの組み込みも容易です。

                                                                                                                                                                                        安全性を考慮するあまり必要な要求まで拒否してしまう「過剰な拒絶」を防ぐため、利便性と安全性のバランスを強化学習の段階から最適化しています。現在は「Microsoft Foundry」でプライベートプレビューとして提供されています。

                                                                                                                                                                                        引用元: https://microsoft.ai/news/introducing-mai-thinking-1/

                                                                                                                                                                                        • 台風で休校になった息子が即座にSwitch2の電源を入れたので諫めたら、「違う」と画面を見せてきた→子どもの間での意外な活用術に、3DS世代が涙

                                                                                                                                                                                          • スマホを持たない子どもたちが、Nintendo Switchのアカウント名を変更して「休校やったー」「2時公園」などと記述し、フレンド間で連絡を取り合っている微笑ましいハック。この「限られた機能（制約）を工夫して通信手段に落とし込む」手法は、かつて3DSのコメント欄等で行われていた文化の再来であり、制約の中で新しい価値を生み出す子どもたちの逞しい知恵に、多くの元ゲームキッズが感動しています。

                                                                                                                                                                                          引用元: https://togetter.com/li/2704944

                                                                                                                                                                                          • お便り投稿フォーム

                                                                                                                                                                                            • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                                                                                            8 min

                                                                                                                                                                                          About 株式会社ずんだもん技術室AI放送局

                                                                                                                                                                                          From the publisher's feed

                                                                                                                                                                                          AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。(MC 月:春日部つむぎ、火水木:ずんだもん、金:お嬢様ずんだもん)